文章目录
摘要
本周阅读了论文《WF-UNet: Weather Fusion UNet for Precipitation Nowcasting》。该文围绕短临降水预报任务展开研究，提出了一种融合降水与风速信息的深度学习模型 WF-UNet，用于提升未来 1 至 3 小时降水预测的准确性。
Abstract
This week I read the paper "WF-UNET: Weather Fusion UNet for Precipitation Nowcasting". The study focuses on the task of short-term precipitation forecasting, proposing a deep learning model called WF-UNet that integrates precipitation and wind speed information to improve the accuracy of precipitation predictions for the next 1 to 3 hours.
文献基本信息
文献名称：《WF-UNet: Weather Fusion UNet for Precipitation Nowcasting》
文献作者：Christos Kaparakis†, Siamak Mehrkanoon
链接：《WF-UNet: Weather Fusion UNet for Precipitation Nowcasting》
研究背景
短临降水预报的现实需求
强降水天气可能引发城市内涝、洪水、滑坡等灾害，对居民生活、交通、农业、水资源管理等方面产生较大影响，因此如何在较短时间内准确预测降水的位置和强度，是气象预警和灾害防控中的重要问题。
传统方法存在的局限
传统天气预报主要依赖数值天气预报模型，虽然该类方法在天气预报中具有重要作用，但其计算成本较高、模型运行时间较长，并且容易受到观测数据噪声的影响。在 1 至 3 小时这类短时预测场景中，传统方法的效率和精度仍存在提升空间。因此，发展基于历史气象数据的数据驱动方法，有助于提高短临降水预报的准确性和实用性，并为相关部门开展灾害预警和应急决策提供支持。
深度学习方法为降水短临预报提供了新思路
随着气象雷达数据和再分析数据的不断积累，深度学习方法被广泛应用于降水短临预报任务中。CNN、ConvLSTM、UNet 等模型能够从历史雷达图像中自动学习时空特征，并预测未来降水变化。其中UNet 由于具有编码器---解码器结构，适合处理图像到图像的预测任务。然而，现有多数深度学习模型主要使用历史降水图像作为输入，较少融合其他气象变量。实际上，风速等变量与降水移动和变化密切相关，能够为降水预测提供补充信息。为解决这一弊端，本文提出了WF-UNET模型来解决这一弊端。
Related Work
深度学习方法在天气预测和降水短临预报中的研究进展。由于气象数据量不断增加，并且天气预测本身可以看作是一个时间序列预测问题，因此数据驱动方法逐渐成为天气预测的重要方向。其中RNN、LSTM、CNN等模型被用于降水短临预报；UNet 由于具备编码器---解码器结构，在图像到图像预测任务中表现良好，因此被广泛用于降水短临预报。相关研究还提出了 SmaAt-UNet、Broad-UNet、TransUNet 和 AA-TransUNet 等改进模型，以提升特征提取能力、降低参数规模或增强长距离依赖建模能力。
模型架构
Core-Unet模型是在经典 UNet 结构基础上进行改进得到的，整体仍采用编码器---解码器框架，并通过跳跃连接融合浅层和深层特征。不同之处在于，Core UNet 将普通 UNet 中的二维卷积替换为三维卷积，使模型能够同时提取雷达图像中的空间信息和连续时间步之间的时间变化信息。
根据图所示，编码器部分用于提取特征。输入是过去多个时间步的降水雷达图像序列，例如文章实验中使用过去 12 个小时的降水图像作为输入。模型通过连续的 3D 卷积、ReLU 激活、Dropout 和空间池化操作，不断提取更深层次的时空特征。
解码器部分用于恢复图像分辨率并生成预测结果。它通过上采样操作逐步恢复空间尺寸，同时利用跳跃连接将编码器中相同层级的浅层特征传递到解码器中，从而保留更多局部细节信息。最后，模型通过一个 1×1 的 3D 卷积层输出未来某一时刻的降水预测图。
与普通 UNet 相比，Core UNet 更适合处理降水短临预报任务，因为该任务不仅需要识别降水区域的空间分布，还需要捕捉降水随时间移动和演变的规律。
WF-UNet，它的核心思想是：不仅使用历史降水图像，还引入风速图像作为辅助气象变量，通过双分支结构分别提取特征，最后再进行融合预测未来降水。
模型整体采用双分支结构：一个分支用于处理降水数据，另一个分支用于处理风速数据。两个分支都采用相同的 Core UNet 结构，分别提取不同气象变量中的时空特征。随后，模型将两个分支提取到的特征在后期决策阶段进行拼接融合，并通过最后的 3D 卷积层生成未来时刻的降水预测图。
特点：
1、采用了多变量输入
2、双流结构，使得降水数据和风俗数据能够在各自独立的分支中进行特征学习。
3、决策融合，两分支完成特征提取后再进行融合，进行信息互补。
总结
本周主要阅读并学习了 WF-UNet 相关论文，了解了短临降水预报的研究背景、传统数值天气预报方法的局限，以及深度学习方法在气象预测中的应用。重点分析了 Core UNet 和 WF-UNet 的模型结构，认识到 WF-UNet 通过融合降水和风速两类气象变量，能够更充分地提取时空特征，从而提升短时降水预测效果。通过本周学习，我对多变量融合思想和 UNet 类模型在降水预测任务中的应用有了更清晰的认识。